Physics-Informed Neural Network 기반 질량 콘크리트 부열 역문제 식별 연구

Physics-Informed Neural Network-Based Identification of Adiabatic Temperature Rise Characteristics in Mass Concrete

연구 내용

질량 콘크리트의 부열 특성을 역문제로 설정하고 Physics-Informed Neural Network로 식별하는 동시에 잡음과 관측 기간에 대한 강건성을 평가하는 연구

정운성 연구실은 질량 콘크리트에서 부열 특성(최대 온도 상승 및 온도 증가율)을 역문제로 두고, Physics-Informed Neural Network(PINN)로 미지 파라미터를 식별하는 방법을 연구합니다. 수치 시뮬레이션을 통해 서로 다른 부열 모델의 가상 실험 데이터를 생성하고, 관측 기간과 잡음 조건을 입력 변수로 하여 식별 성능과 재현성을 평가합니다. 또한 PINN 학습을 반복해 통계적으로 결과를 분석함으로써 짧은 관측에서도 파라미터 일치성이 유지되는 조건을 확인합니다. 이를 통해 열해석 모델의 매개변수 보정과 현장 계측 기반 추정으로 확장 가능한 데이터-물리 결합형 설계 입력 생성 절차를 구축하고 있습니다.

관련 프로젝트

0건

연구 흐름

초기에는 질량 콘크리트 부열 모델을 바탕으로 부열 특성을 나타내는 파라미터를 정의하고, 이를 역문제로 모델링하는 설정을 확립하였습니다. 이후 수치 시뮬레이션 기반의 가상 실험 데이터를 활용하여 PINN이 파라미터를 식별하도록 학습 절차를 구성하고, 관측 기간과 데이터 잡음이 식별 결과에 미치는 영향을 변수화하여 강건성을 평가하였습니다. 최종 단계에서는 여러 차례 독립 학습을 수행해 통계 분석을 포함함으로써, 관측 조건 변화에도 재현 가능한 식별 성능을 확보하는 방향으로 연구를 진행하였습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

부열 특성 파라미터 추정
역문제 기반 열해석 모델 보정
현장 계측-모델 융합 입력 생성
온도이력 기반 균열 위험평가 입력
짧은 관측 기반 식별 절차
잡음 조건 강건한 파라미터 식별
열관리 설계 검증
대단면 시공의 온도 거동 예측
열해석 자동화된 파라미터 생성
PINN 기반 시뮬레이션-계측 통합 워크플로